Asiakasarvon määrittäminen päivittäistavarakaupassa
|
|
- Kalle Lehtinen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 MS-E2177 Operaatiotutkimuksen projektityöseminaari Projektisuunnitelma: Asiakasarvon määrittäminen päivittäistavarakaupassa Projektiryhmä Joonas Laihanen (projektipäällikkö) Aleksi Pasanen Eero Rantala Samuli Turunen Aiheen asettaja Kesko Työn aihe ja taustat 1 Tavoitteet 1 Tehtävät ja aikataulu 3 Resurssit ja riskit 4 Lähteet 7
2 1 Työn aihe ja taustat Yritys voi hyödyntää parempaa ymmärrystä asiakkaiden käyttäytymisestä monin tavoin. Päivittäistavarakaupassa tämä voi tarkoittaa esimerkiksi markkinoinnin tehokkaampaa kohdentamista ja yksilöidympää palvelua. Toisaalta on mahdollista ennustaa asiakkaiden käyttäytymistä kerätyn tiedon perusteella toiminnan suunnittelussa. Päivittäistavaralla tarkoitetaan yleisesti elintarvikkeita ja ruokaostosten yhteydessä hankittavia kulutustavaroita. Aiheen asettajayritys Kesko (myöhemmin myös yritys ) omistaa kotimaiset K-kauppaketjut. Tämä projektityö keskittyy K-kaupoissa tehdyistä päivittäistavaraostoksista saatuun dataan. Päivittäistavarakaupassa tavallinen tapa kerätä tietoa asiakkaan käyttäytymisestä on hyödyntää hänen kanta-asiakkuuttaan. Bonuskortin lukeminen ostosten maksun yhteydessä tallentaa hyödyllistä tietoa kauppiaan tietojärjestelmiin. Keskon Plussa-asiakkuus on yrityksen oma bonusjärjestelmä. Plussa-asiakkaat saavat esimerkiksi ajoittain alennusta tietyistä tuotteista, kohdennettuja tarjouksia, sekä ostohyvityksiä niin sanottujen Plussa-pisteiden muodossa. Noin 2,2 miljoonalla taloudella on Plussa-kortti. CLV (asiakasarvo, eng. customer lifetime value) on tapa mitata asiakkaasta tulevaisuudessa saatavaa tuottoa. Usein CLV määritellään asiakkaasta saatavana voittona, mutta tässä projektissa CLV:tä käsitellään asiakkaan tekeminä ostoina. Myös CLV:n käsittämä aikahorisontti voi vaihdella. Yrityksen kanta-asiakkuuksien suuri määrä antaa hyvän pohjan tilastolliselle mallintamiselle. Projektissa kehitetään malli asiakastalouden CLV:n ennustamiselle seuraavan 5-10 vuoden ajalle. Projektin laajuus ei sisällä esimerkiksi mallin liiketoimintamahdollisuuksien määrittämistä, asiakastalouksien elämäntilanteen mallintamista, päivittäistavarakaupan tai väestörakenteen kehityksen arviointia tai graafisella käyttöliittymällä varustetun valmiin työkalun rakentamista. Mallin on tarkoitus tarjota odotusarvoon perustuva ennuste, joka saattaa poiketa toteutuneesta ostosten määrästä. Asiakasyritykseltä saatava data koostuu talouskohtaisesta ostosten loppusummista kuukausitasolla; tiedosta asiakastalouden kortinhaltijan iästä, asuinalueesta, sekä yrityksen itse mallintamista ominaisuuksista kuten elämänvaihe ja niin sanottu SoW (asiakasosuus, eng. Share of Wallet). Myös tarkempaa tuotekohtaista ostodataa on olemassa, mutta sitä ei oletusarvoisesti käytetä tässä työssä, ellei sitä koeta tarpeelliseksi jo tehdyn mallin jatkokehittämisessä. Tavoitteet Projektin aihe on määritelty varsin tarkasti asiakasyhtiön toimesta. Työn tavoitteena on kehittää Markov-ketjun simulointiin perustuva malli CLV:n määrittämiseksi, hyödyntäen yritykseltä saatua asiakasdataa. Asiakasyhtiö käyttää sitten saatua mallia liiketoimintansa kehittämiseen näkemällään tavalla tämän projektin valmistuttua. Työ mallin luomiseksi voidaan jakaa karkeasti kolmeen välitavoitteeseen, jotka ovat: 1. Ostoihin vaikuttavien tekijöiden tutkiminen ja määrittely 1
3 2 2. Markov-ketjun tilojen ja siirtymätodennäköisyyksien määrittely 3. Ennustavan mallin rakentaminen ja CLV:n laskeminen CLV:n määrittäminen päivittäistavaramyynnissä aloitetaan tutustumalla siihen vaikuttaviin tekijöihin datan ja kirjallisuuden avulla. CLV:tä voidaan mallintaa useilla tavoilla vaihtelevin selittävin tekijöin. Kirjallisuuskatsauksen avulla etsitään tukea asiakkaan dataan perustuvan mallin kehittämiseen ja mahdollisia datan ulkoisia selittäjiä. Esimerkiksi varsinaisen datan ulkopuolelta ihmisten tulotasoista on avointa dataa [1] postinumeroihin perustuen, jota voidaan käyttään Keskon tarjoaman datan ohella tarvittaessa. Tässä Markov-ketjulla mallinnetaan asiakkaan käyttäytymistä estimoimalla todennäköisyyttä siirtyä tilasta toiseen diskreetillä aikavälillä, kun oletetaan tilan muutoksen todennäköisyyden riippuvan ainoastaan tilasta nykyhetkellä [2]. Alkutilajakaumana käytetään tilojen nykyistä jakaumaa ja simuloimalla Markov-ketjua eteenpäin halutun ajanjakson 5-10 vuotta verran saadaan ennuste tulevaisuuden tilajakaumalle, josta voidaan CLV laskea suoraviivaisesti. Markov-ketjun tiloja voivat olla esimerkiksi talouksien elämäntilanteet ja kortinhaltijan ikä. Projektin tavoitteena on kuitenkin löytää jokin parempia ennusteita tuottava tarkempi luokittelutapa Markov-ketjun käyttöön. Mallin rakentamisessa pyritään ennustamiskykyiseen algoritmiin, eli mallin halutaan toimivan mahdollisimman hyvin myös uudelle datalle. Sen kannalta asiakkaiden luokittelu optimaalisella tavalla on erittäin tärkeää. Se, että jokainen nykyinen asiakas olisi oma luokkansa ei ole kovin mielekäs luokittelutapa, koska mallin tulee antaa toimivia ennusteita uusillekin asiakkaille. Toisaalta laskennalliset rajoitteetkin kannustavat asiakkaiden luokitteluun, eli toisin sanoen pienentämään laskennallisen ongelman dimensioita. Luokittelu on mahdollista tehdä pääpiirteissään kahdella periaatteella: algoritmisesti johonkin sopivaan menetelmään tukeutuen ilman manuaalista päättelyä, tai luokittelu rakennetaan päätellen datasta merkittävimmät CLV:n tekijät ja niiden riippuvuussuhteet. Algoritmiset menetelmät ovat tehokkaita, mutta niiden tuloksena olevat luokittelut voivat olla hyvin vaikeita ymmärtää. Toisaalta ihmisen päättelykyky ei välttämättä löydä parhaita mahdollisia luokkia. Työssä rakennetaan niin sanottu baseline-malli perustuen yksinkertaiseen päättelyyn, jonka jälkeen pyritään parempiin tuloksiin helposti tulkittavien algoritmisten luokittelumenetelmien avulla. Vahvana ehdokkaana luokittelun apuvälineeksi pidetään päätöspuita ja klusterointialgoritmeja tai muita koneoppimisen menetelmiä [3]. Mallin tarvitsema Markov-tilansiirtomatriisi on laskettavissa luokitellusta datasta, kuten odotusarvoinen CLV:kin [2]. Voidaan siis todeta tavoitteiden 2 ja 3 olevan suoritettavissa ainakin osittain samanaikaisesti. Tavoitteen 2 saavuttaminen parhaalla mahdollisella tavalla tukee vahvasti tavoitteen 3 saavuttamista. Lisäksi tavoitteisiin edetään askel kerrallaan rakentamalla ensin toimiva baseline-malli eli yksinkertainen ja suhteellisen nopeasti toteutettavissa oleva malli, jota kehitetään ajan puitteissa niin, että oletusarvoisesti luokkien määrä kasvaa, ennustettavuus paranee ja myös ulkoisia tekijöitä varsinaisen datan ulkopuolelta otetaan mukaan mallinnukseen. Mallin 2
4 3 toimivuus validoidaan ja laskennan oikeellisuus verifioidaan historiaan perustuvalla testidatalla sekä erillaisilla luokitteluilla laskettujen ennusteiden vertailulla. Tehtävät ja aikataulu Kurssin ja projektin suorittaminen on jaettu yhteensä 12 tehtävään, joista osa liittyy kurssin pakollisiin osasuorituksiin (projektisuunnitelma, väliraportti, loppuraportti ja näihin liittyvät esitykset ja yritysekskursiot) ja osa puolestaan projektin tavoitteiden saavuttamiseen. Projektipäälliköllä on 54 tuntia projektin hallinnointia vastaten hänelle myönnettävää kahta ylimääräistä opintopistettä. Muiden ryhmän jäsenten kokonaistyömäärä on 135 tuntia, joka vastaa viittä opintopistettä. Kuvassa 1 on esitetty tehtäviin allokoidut tuntimäärät ryhmän jäsenten tasolla. Vastuualueet voidaan myös jakaa laajemmin taulukossa 1 esitetyllä tavalla. Taulukko 1. Ryhmän jäsenten erityisvastuualueet. Jäsen Joonas Aleksi Eero Samuli Vastuualue Hallinnointi, kokonaisuus Implementointi, tilastollinen analyysi Datan esikäsittely ja ulkoiset selittäjät, implementointi Raportointi, luokittelu Kuva 1. Tehtävien jako ja allokoidut työtunnit ryhmän jäsenille. 3
5 4 Kirjallisuuskatsaus sisältää aiheeseen tutustumisen sekä mallin kehittämisen aikana tehtävän lisäselvityksen tarvittaessa. Tilastollisessa analyysissä tuotetaan deskriptiivistä statistiikkaa käytössä olevasta datasta. Datan siivouksessa poistetaan selkeät poikkeamat ja virheelliset havainnot sopivalla tavalla. Implementoinnilla tarkoitetaan algoritmin kehittämistä. Luokittelun tulee toimia ennen Markov-ketjun ja CLV:n laskemista, johon viitataan laskennan implementointi -tehtävällä. Lisäselittäjien tutkiminen sisältää mahdollisten datan ulkoisten CLV:n selittäjien tutkimisen ja soveltamisen. Kurssin kesto on noin 17 viikkoa ja loppuraporttien esittäminen tapahtuu 19. toukokuuta, mikä on koko projektin viimeinen määräaika. Edellä mainitut tehtävät on aikataulutettu kurssin keston ajaksi siten, että projekti etenee sujuvasti ja jokaisen tehtävän alkaessa on saatu riittävään valmiuteen välttämättömät muut tehtävät. Kurssin aikataulu on esitetty kuvassa 2. Kuva 2. Tehtävien aikataulutus. Vinoneliöt kuvaavat kurssin tehtävien palautuksia. Resurssit ja riskit Merkittävimpänä resurssina ovat projektiryhmäläisten edellä eritelty aika työskennellä projektin parissa ja heidän osaamisensa operaatiotutkimuksen ja data-analyysin saralla. Siten erityisesti teknisissä asioissa ryhmän jäsenten Aallossa käymien kurssien oppimateriaalit ovat hyödyllisiä. Lisäksi tiedonhankinnassa käytetään monipuolisesti alan kirjallisuutta ja tieteellisiä julkaisuja, ja projektissa voidaan hyödyntää sidosryhmien, kurssin vetäjän professori Salon, sekä asiakasyhtiö Keskon edustajien kokemusta, unohtamatta yhteistyötä muiden ryhmien, erityisesti opponointiryhmän (Fortum) antamaa palautetta. Asiakasyritys antaa projektiryhmän käyttöön dataa erityyppisten asiakkaiden ostosten suuruudesta kahden vuoden ajalta kuukausitasolla, joka on projektin loppuun saattamisen 4
6 5 kannalta välttämätöntä. Myös muunlaisia datalähteitä on tarjolla, niin Keskon tarjoamia kuin myös täysin ulkopuolisia [1], mikäli ne koetaan kiinnostaviksi. Datan luottamuksellisuuden takia kyseiseen resurssiin on kiinnitettävä erityistä huomiota. Datan käsittely ja laskenta tehdään käyttäen ainakin R-ohjelmistoa ja laskenta suoritetaan Aallon tietokoneilla. Se, kuinka oleellisia eri ohjelmistojen ominaisuudet ja laskentaan käytettävien koneiden tehokkuus ovat, riippuu pitkälti mallin laskennallisten ratkaisujen valinnoista, jotka muovautuvat projektin edetessä lopulliseen muotoonsa. Merkittävin riski projektissa on, malli ei suoriudu riittävän hyvin. Aluksi rakennettavan baseline-mallin ei odotetakaan olevan kovin tarkka, joten sen odotetaan syntyvän suhteellisen vaivatta. Paranneltu malli voi suoriutua heikosti useista syistä, mutta merkittävimmät tekijät lienevät joko luokittelun epäonnistuminen tai siirtymämatriisin simuloinnin epäonnistuminen. Luokittelun odotetaan olevan haastava tehtävä, mutta riskiä hallitaan lähestymällä ongelmaa rinnakkain päättelemällä luokittelun parametrit kirjallisuuden avulla sekä algoritmisella menetelmällä. Simuloinnin ongelmat liittynevät kohinaan datassa, puuttuviin havaintoihin ja erittäin pieniin siirtymätodennäköisyyksiin. Laskennan riskejä hallitaan tavoittelemalla luokittelua, josta laskettava tilansiirtomatriisi on dimensioiltaan pieni. Täysin toimimaton malli odotetaan syntyvän vain äärimmäisessä tapauksessa, eli käytännössä työn jäävän kokonaan kesken. Vaikutuksiltaan vakava riski on myös luottamuksellisen tiedon joutuminen väärään paikkaan tai ulkopuolisten tietoon. Riskin realisoitumista on jo alkuvaiheessa pyritty estetty useilla toimenpiteillä. CLV:n lisäselittäjien etsintä on sekundäärinen tavoite, mutta samalla heikoiten määritelty. Riskinä on, ettemme löydä kirjallisuuteen perustuvia ja dataan soveltuvia lisäselittäjiä tai että niiden ennustuskyky on erittäin heikko.tämän takia keskitytään malleihin, joissa selittäjien määrä on pieni. Riskejä on eritelty taulukossa 2. 5
7 6 Taulukko 2. Työn riskit. Riski Todennäköisyys Vakavuus Vaikutus Toimenpiteet Heikko kommunikointi asiakkaan kanssa Matala Keskitaso Työn lopputulos ei ole halutunlainen tai työn eteneminen kärsii (kuitenkin tehtäväksianto on jo annettu tässä vaiheessa) Kommunikoidaan asiakkaan kanssa säännöllisesti ja järjestetään myös tapaamisia Heikko kommunikointi ryhmän kesken Matala Keskitaso Työn eteneminen kärsii (kuitenkin tavoitteet on jo määritelty tässä vaiheessa) Säännölliset tapaamiset, tiedon ja tulosten jakaminen aktiivisesti Luokittelu osoittautuu erittäin vaikeaksi Korkea Korkea CLV:tä ei saada laskettua mielekkäällä tarkkuudella Sovelletaan aluksi ns. baseline-malli, jota laajennetaan ja lopuksi sovelletaan (osin) algoritmista menetelmää Markov-ketjun laskenta osoittautuu erittäin vaikeaksi Matala Korkea CLV:tä ei saada laskettua mielekkäällä tarkkuudella Rajataan tilansiirtomatriisin tilojen määrä pieneksi, huomioidaan tilansiirtomatriisin laskennalliset rajoitteet luokittelussa Projektin hallinnan ongelmat Keskitaso Keskitaso Työn aikataulussa ei pysytä tai työn laajuus ei pysy hallinnassa Tehdyn aikataulun ja suunnitelman noudattamista seurataan ja tuetaan säännöllisellä kommunikoinnilla ja tapaamisilla. Luottamuksellisen tiedon vuoto Hyvin matala Hyvin korkea Luottamuksellista tietoa joutuu väärään paikkaan tai ulkopuolisten tietoon Luottamuksellinen data tallennetaan vain sitä varten perustetulle tallennusmedialle. Tapaamiset pidetään suljettujen ovien takana. Kirjallisissa tuotoksissa esitetään vain koonteja, eikä yksityiskohtaista dataa. 6
8 7 Lähteet [1] Tilastokeskus: Paavo Postinumeroalueittainen avoin tieto. Saatavissa: [2] Cheng, C.-J., Chiu, S., Cheng, C.-B., Wu J. Customer lifetime value prediction by a Markov chain based data mining model: Application to an auto repair and maintenance company in Taiwan, Saatavissa: 56b38a137399deb37b9b7e1&pid=1-s2.0-S main.pdf [3] Hruschka, H., Natter,M., Comparing performance of feedforward neural nets and K-means for cluster-based market segmentation, Saatavissa: 7
Asiakasarvon määrittäminen päivittäistavarakaupassa
26.5.2017 MS-E2177 Operaatiotutkimuksen projektityöseminaari Väliraportti: Asiakasarvon määrittäminen päivittäistavarakaupassa Projektiryhmä Joonas Laihanen (projektipäällikkö) Aleksi Pasanen Eero Rantala
LisätiedotTehokkaiden strategioiden identifiointi vakuutusyhtiön taseesta
MS E2177 Operaatiotutkimuksen projektityöseminaari Projektisuunnitelma Tehokkaiden strategioiden identifiointi vakuutusyhtiön taseesta 12.3.2016 Asiakas: Model IT Projektiryhmä: Niko Laakkonen (projektipäällikkö),
LisätiedotProjektisuunnitelma Korrelaatioiden ja varianssin estimointi kiinteistöportfolion tuotolle
Mat-2.177 Operaatiotutkimuksen projektityöseminaari 2007 Projektisuunnitelma 1.3.2007 Korrelaatioiden ja varianssin estimointi kiinteistöportfolion tuotolle Kohdeorganisaatio: Yhteyshenkilöt: Ryhmä: Tapiola
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
LisätiedotMS-E2177 Operaatiotutkimuksen projektityöseminaari 2016
MS-E2177 Operaatiotutkimuksen projektityöseminaari 2016 Yleistä Vastuuopettaja prof. Assistentti tekn.yo. Teemu Seeve s-postit Suorittaminen ahti.salo@aalto.fi, teemu.seeve@aalto.fi 1. Projektityö muutaman
LisätiedotVapaapäivien optimointi
Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Vapaapäivien optimointi Väliraportti, 4.4.2014 Asiakas: Computational Intelligence Oy Projektiryhmä: Teemu Kinnunen (projektipäällikkö) Ilari Vähä-Pietilä
LisätiedotOptimaalisen tarkastusvälin määrittäminen suun terveydenhuollossa
Projektin väliraportti Optimaalisen tarkastusvälin määrittäminen suun terveydenhuollossa 13.4.2012 Mat-2.4117 Operaatiotutkimuksen projektityöseminaari Toimeksiantaja: Nordic Healthcare Group Projektiryhmä:
LisätiedotTieverkon kunnon stokastinen ennustemalli ja sen soveltaminen riskienhallintaan
Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Tieverkon kunnon stokastinen ennustemalli ja sen soveltaminen riskienhallintaan Projektisuunnitelma 11.2.2009 Toimeksiantajat: Pöyry Infra Oy (Pekka
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotVedonlyöntistrategioiden simulointi ja evaluointi
Vedonlyöntistrategioiden simulointi ja evaluointi Aleksi Avela 15.10.2018 Ohjaaja: Juho Roponen Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin
LisätiedotMat Operaatiotutkimuksen projektityöseminaari. Dynaaminen kimppakyytijärjestelmä Uudellamaalla. Väliraportti
Mat-2.177 Operaatiotutkimuksen projektityöseminaari Dynaaminen kimppakyytijärjestelmä Uudellamaalla Väliraportti 28.03.06 Kohdeorganisaatio: Matrex Oy Yhteyshenkilö: Ville Koskinen Projektiryhmä: Jukka
LisätiedotLääkintähelikopterikaluston mallintaminen
Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Lääkintähelikopterikaluston mallintaminen Projektisuunnitelma 19.2.2010 Pohjalainen Tapio (projektipäällikkö) Kuikka Ilmari Tyrväinen Tero Salomaa Osmo
LisätiedotTehokkaiden strategioiden identifiointi vakuutusyhtiön taseesta
MS E2177 Operaatiotutkimuksen projektityöseminaari Väliraportti Tehokkaiden strategioiden identifiointi vakuutusyhtiön taseesta 28.3.2016 Asiakas: Model IT Projektiryhmä: Niko Laakkonen (projektipäällikkö),
LisätiedotProjektisuunnitelma. Projektin tavoitteet
Projektisuunnitelma Projektin tavoitteet Projektin tarkoituksena on tunnistaa erilaisia esineitä Kinect-kameran avulla. Kinect-kamera on kytkettynä tietokoneeseen, johon projektissa tehdään tunnistuksen
LisätiedotLuottoluokitusten siirtymätodennäköisyyksien estimointi ja kalibrointi
Aalto-yliopisto Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Kevät 2012 Luottoluokitusten siirtymätodennäköisyyksien estimointi ja kalibrointi Väliraportti 12.4.2012 Janne Kunnas (projektipäällikkö)
LisätiedotAS Automaatio- ja systeemitekniikan projektityöt - Projektisuunnitelma
AS-0.3200 Automaatio- ja systeemitekniikan projektityöt - Projektisuunnitelma PiccSIM - TrueTime integrointi Henri Öhman 31.1.2012 1. Projektityön tavoite PiccSIM on Aalto-yliopistolla kehitetty simulointiympäristö,
LisätiedotMat 2.4177 Operaatiotutkimuksen projektityöseminaari
Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Kemira GrowHow: Paikallisen vaihtelun korjaaminen kasvatuskokeiden tuloksissa 21.2.2008 Ilkka Anttila Mikael Bruun Antti Ritala Olli Rusanen Timo Tervola
LisätiedotLääkintähelikopterikaluston mallintaminen
Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Lääkintähelikopterikaluston mallintaminen Väliraportti 19.3.2010 Pohjalainen Tapio (projektipäällikkö) (29157N) Kuikka Ilmari (58634A) Tyrväinen Tero
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotKorvausvastuun ennustejakauma bootstrap-menetelmän avulla
Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Sari Ropponen 13.5.2009 1 Agenda Korvausvastuu vahinkovakuutuksessa Korvausvastuun arviointi Ennustevirhe Ennustejakauma Bootstrap-/simulointimenetelmä
LisätiedotJunien peruuntumistodennäköisyyksien hyödyntäminen veturinkuljettajien työvuoroluetteloiden suunnittelussa Väliraportti
MS-E2177 Operaatiotutkimuksen projektityöseminaari Junien peruuntumistodennäköisyyksien hyödyntäminen veturinkuljettajien työvuoroluetteloiden suunnittelussa Väliraportti 19.4.2017 Tapio Hautamäki, 345312
LisätiedotMat Operaatiotutkimuksen projektityöseminaari Viestiverkon toimintaluotettavuuden arviointi Projektisuunnitelma
Mat 2.177 Operaatiotutkimuksen projektityöseminaari Viestiverkon toimintaluotettavuuden arviointi Projektisuunnitelma 27.2.2006 Kohdeorganisaatio: Yhteyshenkilö: Ryhmä: Puolustusvoimien Teknillinen Tutkimuslaitos
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.
LisätiedotOHJ-3010 Ohjelmistotuotannon perusteet. Ohjelmistoprojektin hallinta
OHJ-3010 Ohjelmistotuotannon perusteet Ohjelmistoprojektin hallinta 1 Sisältö Projektiorganisaatio ja sidosryhmät Ohjelmistoprojektin kulku Projektin suunnittelu Ositus Osallistujat Työmäärän arviointi
Lisätiedot2009 Mat-2.4177 Operaatiotutkimuksen Projektityöseminaari L
2009 Mat-2.4177 Operaatiotutkimuksen Projektityöseminaari L Väliraportti 25.2.2009 Puustokuvioiden korjuukelpoisuus- ja saavutettavuusanalyysi Juha Valvanne Juho Matikainen Joni Nurmentaus Lasse Östring
Lisätiedot5.6.3 Matematiikan lyhyt oppimäärä
5.6.3 Matematiikan lyhyt oppimäärä Matematiikan lyhyen oppimäärän opetuksen tehtävänä on tarjota valmiuksia hankkia, käsitellä ja ymmärtää matemaattista tietoa ja käyttää matematiikkaa elämän eri tilanteissa
LisätiedotRahastosalkun faktorimallin rakentaminen
Teknillinen korkeakoulu Mat 2.177 Operaatiotutkimuksen projektityöseminaari Kevät 2007 Evli Pankki Oyj Väliraportti 28.3.2007 Kristian Nikinmaa Markus Ehrnrooth Matti Ollila Richard Nordström Ville Niskanen
LisätiedotTieverkon kunnon stokastinen ennustemalli ja sen soveltaminen riskienhallintaan
Mat 2.4177Operaatiotutkimuksenprojektityöseminaari Tieverkonkunnonstokastinenennustemallija sensoveltaminenriskienhallintaan Väliraportti 3/4/2009 Toimeksiantajat: PöyryInfraOy(PekkaMild) Tiehallinto(VesaMännistö)
LisätiedotTietojärjestelmän osat
Analyysi Yleistä analyysistä Mitä ohjelmiston on tehtävä? Analyysin ja suunnittelun raja on usein hämärä Ei-tekninen näkökulma asiakkaalle näkyvien pääkomponenttien tasolla Tietojärjestelmän osat Laitteisto
LisätiedotRahastosalkun faktorimallin rakentaminen
Teknillinen korkeakoulu Mat-2.177 Operaatiotutkimuksen projektityöseminaari Kevät 2007 Evli Pankki Oyj Projektisuunnitelma 28.2.2007 Kristian Nikinmaa Markus Ehrnrooth Matti Ollila Richard Nordström Ville
LisätiedotAsiakasarvon määrittäminen päivittäistavarakaupassa
Asiakasarvon määrittäminen päivittäistavarakaupassa Loppuraportti MS-E2177 Operaatiotutkimuksen projektityöseminaari Projektiryhmä Joonas Laihanen (projektipäällikkö) Aleksi Pasanen Eero Rantala Samuli
LisätiedotSOINTU ENNAKOIVUUTTA, TEHOKKUUTTA JA TURVALLISUUTTA KOTIHOITOON.
SOINTU ENNAKOIVUUTTA, TEHOKKUUTTA JA TURVALLISUUTTA KOTIHOITOON. MIKÄ ON SOINTU? Anturiteknologiaan perustuva kotihoidon järjestelmä Auttaa suunnittelemaan, ennakoimaan, priorisoimaan ja kehittämään kotihoidon
LisätiedotA13-03 Kaksisuuntainen akkujen tasauskortti. Projektisuunnitelma. Automaatio- ja systeemitekniikan projektityöt AS-0.
A13-03 Kaksisuuntainen akkujen tasauskortti Projektisuunnitelma Automaatio- ja systeemitekniikan projektityöt AS-0.3200 Syksy 2013 Arto Mikola Aku Kyyhkynen 25.9.2013 Sisällysluettelo Sisällysluettelo...
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
LisätiedotKlusteriennakointimalli osaamistarpeiden selvittämiseen
Klusteriennakointimalli osaamistarpeiden selvittämiseen Ammatillisen korkea-asteen koulutuksen opetussisältöjen kehittäminen Kirsti Sorama Projektipäällikkö PROJEKTIN TARKOITUS Projektin tarkoituksena
LisätiedotSeurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen
Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen 08.09.2014 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotJunien peruuntumistodennäköisyyksien hyödyntäminen veturinkuljettajien työvuoroluetteloiden suunnittelussa Projektisuunnitelma
MS-E2177 Operaatiotutkimuksen projektityöseminaari Junien peruuntumistodennäköisyyksien hyödyntäminen veturinkuljettajien työvuoroluetteloiden suunnittelussa Projektisuunnitelma 21.2.2017 Tapio Hautamäki,
LisätiedotKieliaineistojen käyttöoikeuksien hallinnan tietojärjestelmä
Kieliaineistojen käyttöoikeuksien hallinnan tietojärjestelmä Omistaja Tyyppi Tiedoston nimi Turvaluokitus Kohderyhmä Turvaluokituskäytäntö --- SE/Pekka Järveläinen Projektisuunnitelma projektisuunnitelma_kielihallinto.doc
LisätiedotTietojärjestelmä tuotantoympäristössä. Sovellusohjelmat Helsingin ammattikorkeakoulu Stadia / Tekniikka ja liikenne Vesa Ollikainen
Tietojärjestelmä tuotantoympäristössä Tausta ja tavoitteet Tausta Kurssilla on opiskeltu suunnittelemaan ja toteuttamaan tietokanta, joka on pieni perustuu selkeisiin vaatimuksiin on (yleensä) yhden samanaikaisen
LisätiedotDatan analysointi ja visualisointi Teollisen internetin työpaja
Datan analysointi ja visualisointi Teollisen internetin työpaja Jouni Tervonen, Oulun yliopisto, Oulun Eteläisen instituutti 14.3.2016 Johdanto Tavoite yhdessä määritellä miten data-analytiikkaa voi auttaa
LisätiedotMTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO
8.9.2016/1 MTTTP1 Tilastotieteen johdantokurssi Luento 8.9.2016 1 JOHDANTO Tilastotiede menetelmätiede, joka käsittelee - tietojen hankinnan suunnittelua otantamenetelmät, koejärjestelyt, kyselylomakkeet
LisätiedotMat Operaatiotutkimuksen projektityöseminaari Viestiverkon toimintaluotettavuuden arviointi Väliraportti
Mat 2.177 Operaatiotutkimuksen projektityöseminaari Viestiverkon toimintaluotettavuuden arviointi Väliraportti 31.3.2006 Kohdeorganisaatio: Yhteyshenkilö: Ryhmä: Puolustusvoimien Teknillinen Tutkimuslaitos
LisätiedotTilastotiede ottaa aivoon
Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen
LisätiedotOpetusmateriaali. Tutkimustehtävien tekeminen
Opetusmateriaali Tämän opetusmateriaalin tarkoituksena on opettaa kiihtyvyyttä mallintamisen avulla. Toisena tarkoituksena on hyödyntää pikkuautoa ja lego-ukkoa fysiikkaan liittyvän ahdistuksen vähentämiseksi.
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
LisätiedotKorko optioiden volatiliteettirakenteen estimointi
Aalto yliopisto Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Kevät 2010 Korko optioiden volatiliteettirakenteen estimointi Pohjola konserni Projektisuunnitelma Robert Huuhilo Juhana Joensuu Teppo
LisätiedotLean Sales Talent Vectia Renewal forum 5.11.2013
Lean Sales Talent Vectia Renewal forum 5.11.2013 Talent Vectia 1 Myynti on jäänyt jälkeen muista toiminnoista?? vs. Liidejä ei osata tuottaa systemaattisesti Myyjät eivät ymmärrä asiakastaan Myynnin johtaminen
LisätiedotMikä on projekti? J Ä R J E S T Ö H A U T O M O. Matti Forsberg järjestökonsultti Järjestöhautomo Matti Forsberg
Mikä on projekti? järjestökonsultti Järjestöhautomo Hanke eli projekti aikataulutettu tietyillä panoksilla kestäviin tuloksiin pyrkivä tehtäväkokonaisuus sillä on oma projektiorganisaatio omat, juuri kyseistä
LisätiedotS09 04 Kohteiden tunnistaminen 3D datasta
AS 0.3200 Automaatio ja systeemitekniikan projektityöt S09 04 Kohteiden tunnistaminen 3D datasta Loppuraportti 22.5.2009 Akseli Korhonen 1. Projektin esittely Projektin tavoitteena oli algoritmin kehittäminen
LisätiedotKorko-optioiden volatiliteettirakenteen estimointi
Aalto-yliopisto Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Kevät 2010 Korko-optioiden volatiliteettirakenteen estimointi Pohjola - konserni Väliraportti Robert Huuhilo Juhana Joensuu Teppo Luukkonen
LisätiedotEnnustamisen ja Optimoinnin mahdollisuudet
Ennustamisen ja Optimoinnin mahdollisuudet Agenda Mitä optimointi on Ennustamisen mahdollisuudet Optimoinnin eri tasot ja tavoitteet Optimoinnin käyttöönotto Mitä optimointi on Mitä optimointi on? Oikea
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotProjektinhallinta SFS-ISO mukaan
Projektinhallinta SFS-ISO 21500 mukaan (Ohjeita projektinhallinnasta, 2012) 13.4.2017 Panu Kiviluoma Osaamistavoitteet Luennon jälkeen osaat selittää, mitä tarkoitetaan Projektilla Projektinhallinnalla
LisätiedotAS Automaatio ja systeemitekniikan projektityöt Projektisuunnitelma Syksy 2009 A09 05 OSGi IRC Bot For Coffee Maker
AS 0.3200 Automaatio ja systeemitekniikan projektityöt Projektisuunnitelma Syksy 2009 A09 05 OSGi IRC Bot For Coffee Maker Henri Nieminen Juha Sironen Palautettu: 21.9.2009 Nieminen, Sironen Sisällysluettelo
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotA14-11 Potilaan mittaustiedon siirtäminen matkapuhelimeen
1 AS-0.3200 Automaatio- ja systeemitekniikan projektityöt A14-11 Potilaan mittaustiedon siirtäminen matkapuhelimeen Projektisuunnitelma Tommi Salminen, Hanna Ukkola, Olli Törmänen 19.09.2014 1 Projektin
LisätiedotVerkkopelipalvelujen reaaliaikainen hinnoittelu
Teknillinen Korkeakoulu Mat-2.177 Operaatiotutkimuksen projektityöseminaari Kevät 2006 Verkkopelipalvelujen reaaliaikainen hinnoittelu Väliraportti 29.3.2006 Kohdeorganisaatio: Clan Match Exchange Good
LisätiedotMallipohjainen klusterointi
Mallipohjainen klusterointi Marko Salmenkivi Johdatus koneoppimiseen, syksy 2008 Luentorunko perjantaille 5.12.2008 Johdattelua mallipohjaiseen klusterointiin, erityisesti gaussisiin sekoitemalleihin Uskottavuusfunktio
LisätiedotEläkelaitoksen Optimointimallin Rakentaminen
Teknillinen korkeakoulu Mat 2.177 Operaatiotutkimuksen projektityöseminaari Kevät 2006 Eläkelaitoksen Optimointimallin Rakentaminen Väliraportti 31.3.2006 Michael Gylling Matti Konttinen Jarno Nousiainen
LisätiedotTähtitieteen käytännön menetelmiä Kevät 2009
Tähtitieteen käytännön menetelmiä Kevät 2009 2009-01-12 Yleistä Luennot Luennoija hannu.p.parviainen@helsinki.fi Aikataulu Observatoriolla Maanantaisin 10.00-12.00 Ohjattua harjoittelua maanantaisin 9.00-10.00
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotASIAKASKOKEMUKSEN MITTAAMINEN
ASIAKASKOKEMUKSEN MITTAAMINEN Linnoitustie 4 Violin-talo 5 krs., FI-02600 Espoo www.triplewin.fi will invest into customer experience leadership Miten rakennetaan asiakaskokemuksen johtamiseen toimiva
LisätiedotEnergiankulutusseuranta Kulutustietojen kerääminen, analysointi ja hyödyntäminen Laatijat: Antti Mäkinen, TAMK
3.12.2018 ENERGIANKULUTUKSEN SEURANTA Kulutustietojen kerääminen, analysointi ja hyödyntäminen Antti Mäkinen, Tampereen Ammattikorkeakoulu 3.12.2018 2 Sisällys Energiankulutusseurannan kehittäminen Combi-tutkimukset
LisätiedotFigure 1: Projektipäälliköt Juha-Pekka Honkavaara ja Juha Mattila
1 Käytettävyysryhmä 1.1 Yleistä Tämän vuoden käytettävyystiimi (Uteam) perustuu kahden viime vuoden pohjalle. Uteam oli toiminnassa ensimmäisen kerran siis lukuvuonna 2005-2006. Uteamin projektiryhmä koostui
LisätiedotBatch means -menetelmä
S-38.148 Tietoverkkojen simulointi / Tulosten keruu ja analyysi 1(9) Batch means -menetelmä Batch means -menetelmää käytetään hyvin yleisesti Simulointi suoritetaan tässä yhtenä pitkänä ajona olkoon simuloinnin
LisätiedotProjektisuunnitelma: Jokisysteemin vesivoimatuotannon simulointi
Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Projektisuunnitelma: Jokisysteemin vesivoimatuotannon simulointi Projektipäällikkö: Vili Ojala Ryhmän jäsenet: Viivi Halla-aho Sampo Kaukonen Jukka
LisätiedotTieliikenteen tilannekuva Valtakunnalliset tiesääpäivät Michaela Koistinen
Tieliikenteen tilannekuva Valtakunnalliset tiesääpäivät Michaela Koistinen 3.6.2013 Tilannekuva käsitteenä Tilannekuva Tilannekuva on tilannetietoisuuden muodostamisen ja sen avulla tehtävän päätöksenteon
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotA n ttoni Ke r k ko n e n Ke s k i s u o m a l a i n e n O y j
Monikanavainen markkinointi A n ttoni Ke r k ko n e n Ke s k i s u o m a l a i n e n O y j Markkinoinnin karkkikauppa Mikä minun yritykselle sopii parhaiten Potentiaalisten asiakkaiden määrä Konversiohinta
LisätiedotMarkov-ketjut pitkällä aikavälillä
2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotProjektiryhmä Tete Työajanseurantajärjestelmä. Riskienhallintasuunnitelma
Projektiryhmä Tete Työajanseurantajärjestelmä T-76.115 Tietojenkäsittelyopin ohjelmatyö/ 2(6) Muutoshistoria Versio PVM Tekijä Kuvaus 0.10 14.10.2003 Miikka Lötjönen Dokumenttipohja (projektisuunnitelman
LisätiedotSiimasta toteutettu keinolihas
AS 0.3200 Automaatio ja systeemitekniikan projektityöt Projektisuunnitelma: Siimasta toteutettu keinolihas Laura Gröhn 224417 Mikko Kyllönen 221177 Lauri Liukko Sipi 84702A Susanna Porkka 225131 3.2.2015
LisätiedotKysynnän ennustaminen muuttuvassa maailmassa
make connections share ideas be inspired Kysynnän ennustaminen muuttuvassa maailmassa Nina Survo ja Antti Leskinen SAS Institute Mitä on kysynnän ennustaminen? Ennakoiva lähestymistapa, jolla pyritään
LisätiedotVastakkainasettelullinen riskianalyysi asejärjestelmien vaikuttavuusarvioinnissa
1 Vastakkainasettelullinen riskianalyysi asejärjestelmien vaikuttavuusarvioinnissa Toteuttaja: Aalto-yliopisto Johtaja: Ahti Salo Hankkeelle myönnetty MATINE-rahoitus: 69 204 2 Tutkimusryhmä Aalto-yliopisto
LisätiedotOngelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin?
Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin? 2013-2014 Lasse Lensu 2 Algoritmit ovat deterministisiä toimintaohjeita
LisätiedotTieto- ja viestintätekniikka. Internetistä toimiva työväline, 1 ov (YV10TV2) (HUOM! Ei datanomeille)
Kuvaukset 1 (9) Tieto- ja viestintätekniikka Internetistä toimiva työväline, 1 ov (YV10TV2) (HUOM! Ei datanomeille) Tavoitteet omaksuu verkko-oppimisympäristön ja sähköpostin keskeiset toiminnot tutustuu
LisätiedotBayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly
Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä
LisätiedotENG-A1002 ARTS-ENG-Projekti. B-kori
ENG-A1002 ARTS-ENG-Projekti B-kori 11.4.2017 Innovatiivinen kuljetin B-korissa pyritään löytämään: uusi tai paranneltu tuotekonsepti kappaletavaroiden tai materiaalien käsittelyyn, siirtelyyn tai kuljetukseen.
Lisätiedot1. Projektin status. 1.1 Tavoitteiden päivitys. 1.2 Tulokset Mallinnus
Sisällysluettelo Sisällysluettelo. Projektin status. Tavoitteiden päivitys.2 Tulokset.2. Mallinnus.2. Kirjallisuuskatsaus 2. Projektin aikataulun ja työnjaon päivitys 3. Riskien arviointi 2 . Projektin
LisätiedotMarkkinoinnin tila 2010 -kyselytutkimuksen satoa. StratMark-kesäbrunssi 17.6.2010 Johanna Frösén
Markkinoinnin tila 2010 -kyselytutkimuksen satoa StratMark-kesäbrunssi 17.6.2010 Johanna Frösén Markkinoinnin tila -kyselytutkimus Tavoitteena laaja yleiskuva suomalaisen markkinoinnin tilasta ja kehityksestä
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotKORJAUSVELAN LASKENTAMALLI KÄYTTÖÖN
KORJAUSVELAN LASKENTAMALLI KÄYTTÖÖN KEHTO-foorumi Seinäjoki 23.10.2014 TAUSTAA Korjausvelan määrityshanke vuonna 2012-2013 Katujen ja viheralueiden korjausvelan periaatteita ei ollut aiemmin määritelty
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
LisätiedotTrichoderma reesein geenisäätelyverkoston ennustaminen Oskari Vinko
Trichoderma reesein geenisäätelyverkoston ennustaminen Oskari Vinko 04.11.2013 Ohjaaja: Merja Oja Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta
LisätiedotSYSTEEMIJOHTAMINEN! Sami Lilja! itsmf Finland 2014! Oct 2-3 2014! Kalastajatorppa, Helsinki! Reaktor 2014
SYSTEEMIJOHTAMINEN! Sami Lilja! itsmf Finland 2014! Oct 2-3 2014! Kalastajatorppa, Helsinki! Reaktor Mannerheimintie 2 00100, Helsinki Finland tel: +358 9 4152 0200 www.reaktor.fi info@reaktor.fi 2014
LisätiedotAvainsanojen poimiminen Eeva Ahonen
Avainsanojen poimiminen 5.10.2004 Eeva Ahonen Sisältö Avainsanat Menetelmät C4.5 päätöspuut GenEx algoritmi Bayes malli Testit Tulokset Avainsanat Tiivistä tietoa dokumentin sisällöstä ihmislukijalle hakukoneelle
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
LisätiedotLineaaristen monitavoiteoptimointitehtävien
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Jerri Nummenpalo 17.09.2012 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
Lisätiedot10 v. työkokemus teknologiaprojekteista, tiiminvedosta ja agile menetelmistä.
1 Heikki Paananen, MSc., Lehtori Lahden Ammattikorkeakoulu, Liiketalouden Ala Tietojenkäsittely vuodesta 2011 Mm. Ketterät projektinhallintatekniikat, projektiohjaus. 10 v. työkokemus teknologiaprojekteista,
LisätiedotNOSTURIDATAN HYÖDYNTÄMINEN. Niilo Heinonen
NOSTURIDATAN HYÖDYNTÄMINEN SISÄLTÖ Tutkimuksen tausta ja tutkimuskyssärit Tehdasympäristöt Klusterointialgoritmit Työn pohjana oleva monitorointijärjestelmä (CMS) Soveltava osuus Visuaalinen malli nosturin
LisätiedotEpävarmuuden hallinta bootstrap-menetelmillä
1/17 Epävarmuuden hallinta bootstrap-menetelmillä Esimerkkinä taloudellinen arviointi Jaakko Nevalainen Tampereen yliopisto Metodifestivaalit 2015 2/17 Sisältö 1 Johdanto 2 Tavanomainen bootstrap Bootstrap-menettelyn
LisätiedotTilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle
Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen
LisätiedotTapahtuipa Testaajalle...
Tapahtuipa Testaajalle... - eli testaus tosielämässä 09.10.2007 Juhani Snellman Qentinel Oy 2007 Agenda Minä ja mistä tulen Testauksen konteksti Tapauksia tosielämästä ja työkaluja 2 Minä Juhani Snellman
LisätiedotTietorakenteet, laskuharjoitus 7, ratkaisuja
Tietorakenteet, laskuharjoitus, ratkaisuja. Seuraava kuvasarja näyttää B + -puun muutokset lisäysten jälkeen. Avaimet ja 5 mahtuvat lehtisolmuihin, joten niiden lisäys ei muuta puun rakennetta. Avain 9
LisätiedotAutomaattinen regressiotestaus ilman testitapauksia. Pekka Aho, VTT Matias Suarez, F-Secure
Automaattinen regressiotestaus ilman testitapauksia Pekka Aho, VTT Matias Suarez, F-Secure 2 Mitä on regressiotestaus ja miksi sitä tehdään? Kun ohjelmistoon tehdään muutoksia kehityksen tai ylläpidon
LisätiedotPS-vaiheen edistymisraportti Kuopio
PS-vaiheen edistymisraportti Kuopio Kuopio, PS-vaiheen edistymisraportti, 30.10.2001 Versiohistoria: Versio Pvm Laatija Muutokset 1.0 30.10.2001 Ossi Jokinen Kuopio2001, vain kurssin T-76.115 arvostelun
LisätiedotDynaaminen allokaatio ja riskibudjetointi sijoitusstrategioissa
Aalto yliopisto Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Dynaaminen allokaatio ja riskibudjetointi sijoitusstrategioissa Väliraportti 5.4.2013 Vesa Husgafvel (projektipäällikkö) Tomi Jussila
Lisätiedot